Anzeige
Anzeige
Beitrag drucken

Vom Business Case zum Sensor

Predictive Maintenance ohne böses Erwachen

Predictive Maintenance, oder auch vorausschauende Instandhaltung, bildet einen der primären Anwendungsfälle im Spektrum der Industrie 4.0. Doch noch sind viele Unternehmen von den Ergebnissen enttäuscht, nachdem ihnen die technische Umsetzung gelungen ist. Eine planvolle Roadmap beugt dem vor, indem ein vorteilhafter Rahmen um das Werkzeug gezogen wird.

Maximale Ausnutzung des Abnutzungsvorrates bei gleichzeitiger Verringerung der Instandsetzungsdauer durch den Einsatz von Zustandsprognosen (Bild: FIR e. V. an der RWTH Aachen)

Maximale Ausnutzung des Abnutzungsvorrates bei gleichzeitiger Verringerung der Instandsetzungsdauer durch den Einsatz von Zustandsprognosen (Bild: FIR e. V. an der RWTH Aachen)

Predictive Maintenance soll insbesondere durch die vorausschauende Identifikation des optimalen Instandsetzungszeitpunkts die maximale Ausnutzung des Abnutzungsvorrats, bei gleichzeitiger Vermeidung ungeplanter Stillstandzeiten, erreicht werden. Eine frühe Störungsvorhersage erhöht außerdem den Planungsgrad in Bezug auf nicht vermeidbare Stillstände, da beispielsweise Vorlaufzeiten präziser bestimmt werden können. Im Gegensatz zur reinen datenbasierten Zustandsdiagnose, die im Nachgang einer Störung die Ursachen ermittelt und so ex post die Ableitung von Verbesserungen ermöglicht, werden prädiktive Datenmodelle so trainiert, dass eine Zusammenführung von Fehlerbild und Ursache bereits vor dem tatsächlichen Auftreten des Fehlers geschieht. Dabei dienen Daten aus der kontinuierlichen Zustandsüberwachung (Condition Monitoring) als Eingangsgröße für Analysemodelle, die aufgrund der großen Datenmengen zunehmend auf Verfahren der Künstlichen Intelligenz zurückgreifen. Dahingehend wurden in den vergangenen Jahren bereits zahlreiche Anwendungsfälle für die produzierende Industrie identifiziert und die Grenzen der technischen Umsetzbarkeit kontinuierlich ausgeweitet.

Aufbruch ins Ungewisse

Der Entschluss, Predictive Maintenance im eigenen Unternehmen einzuführen, markiert häufig den Start eines aufwendigen Projektes mit ungewissem Ausgang. Aufgrund der technischen Feinheiten und teilweise hohen Kapitalintensität gerät die grundlegende Fragestellung, welcher konkrete Mehrwert durch Predictive Maintenance realisiert werden soll, oft aus dem Fokus der Betrachtung. Denn allein die Fähigkeit, Ausfallzeitpunkte im Voraus zu bestimmen, stiftet noch keinen Mehrwert für die Produktion und somit für die Wertschöpfung eines Unternehmens. Vielmehr stellt Predictive Maintenance nur ein weiteres Werkzeug im Werkzeugkasten der Instandhaltung dar, um beispielsweise eine Steigerung des Planungsgrades oder der OEE (Overall Equipment Effectiveness) zu realisieren. Die nachfolgende beispielhafte Schilderung illustriert dies.

Wissen ist der Anfang

Angenommen ein Instandhalter weiß aufgrund eines erfolgreich implementierten Predictive-Maintenance-Systems, dass die Hydraulikpumpe einer Pressenanlage in drei Tagen nicht mehr über ausreichend Druck für den störungsfreien Betrieb verfügen wird, dann stellt dies zwar einen erfolgreichen Anwendungsfall von Predictive Maintenance dar, hier entsteht jedoch noch kein quantifizierbarer Mehrwert. Denn: Einerseits müssen aus der Prognose operative Entscheidungen abgeleitet werden können, die z.B. den rechtzeitigen Austausch des defekten Bauteils ermöglichen, andererseits lohnt sich der hohe Implementierungsaufwand des Systems oftmals erst, wenn der Anwendungsfall mehrwertstiftend auf weitere Maschinen übertragen werden kann. In diesem Fall spricht man nicht mehr von einem Anwendungsfall, sondern von einem lohnenden Business Case.

Fehlende Anker in die Praxis

Die Gründe, warum es vielen Unternehmen noch nicht gelingt, Predictive Maintenance in der Breite als funktionierende Business Cases auszurollen, sind vielfältig. Neben der mangelnden Definition eines klaren Zielbilds können auch organisationale und kulturelle Aspekte im Sinne der Akzeptanz eine Hürde bei der Einführung von Predictive Maintenance darstellen. Vertrauen die Instandhalter den Störungsvorhersagen nicht und verlassen sich eher auf ihre Erfahrung, schränkt dies den Nutzen des Systems und das Skalierungspotenzial ein. Der Aufbau von Akzeptanz bedingt auf der Systemebene vor allem eine minimale Anzahl an Fehlalarmen, was eine möglichst hohe Modellgüte voraussetzt. Die zugrundeliegenden Datenmodelle benötigen dafür vor allem spezifische Fehlerdaten, um verlässliche Aussagen über den zukünftigen Zustand eines Assets treffen zu können. Oft mangelt es in der Praxis sowohl an fehlerspezifischen Daten als auch an der Quantität und Qualität der Daten, was einen unmittelbaren negativen Effekt auf die Güte des Prognosemodells und somit die Akzeptanz einer Predictive-Maintenance-Lösung hat. Unternehmen müssen sich daher die Frage stellen, inwieweit es wirtschaftlich sinnvoll ist, eine Maschine bewusst ausfallen zu lassen, um datenbasierte Fehlerbilder zu erhalten. In vielen Fällen kann auch die proaktive Durchführung von Verbesserungsmaßnahmen die effektivere Lösung sein. Predictive Maintenance ist demnach zwar als Technologie-Projekt umsetzbar, hat sich aber noch nicht in der breiten betrieblichen Praxis durchgesetzt. In vielen Betrieben mangelt es aktuell noch an Methoden für eine umfassende Berücksichtigung der implizierten Interdependenzen und den zielgerichteten Einsatz von Zustandsprognosen in der Instandhaltung.


Das könnte Sie auch interessieren:

Ab und zu fehlte ein Schlüssel im Kloster der Franziskanerinnen der ewigen Anbetung von Schwäbisch Gmünd. Beim letzten Mal gab das den Impuls, anstatt neue mechanische Zylinder in die rund 220 Türen des Komplexes einzubauen, die alte Technik durch das Bluesmart-System von Winkhaus zu ersetzen.‣ weiterlesen

Mit 100,5 Punkten hält sich das IAB-Arbeitsmarktbarometer im November stabil und liegt weiter im leicht über der neutralen Marke. Auf europäischer Ebene sank der Frühindikator allerdings erneut.‣ weiterlesen

In einer neuen Expertise des Forschungsbeirats Industrie 4.0 untersuchen das FIR an der RWTH Aachen und das Industrie 4.0 Maturity Center den Status-quo und die aktuellen Herausforderungen der deutschen Industrie bei der Nutzung und wirtschaftlichen Verwertung von industriellen Daten und geben Handlungsempfehlungen für Unternehmen, Verbände, Politik und Wissenschaft.‣ weiterlesen

Im Forschungsprojekt FabOS soll eine KI-Bin-Picking-Anwendung entstehen, die ein verbessertes Erkennen, Greifen und definiertes Ablegen von Blechteilen in der Produktion ermöglicht.‣ weiterlesen

Die Digitalisierung des Qualitätsmanagements stellt Unternehmen vor Herausforderungen. Daher haben das Fraunhofer IPT und die FH Südwestfalen im Forschungsvorhaben 'Qbility - Quality 4.0 Capability Determination Model' ein datengetriebenes Reifegradmodell entwickelt, das die Anforderungen eines digitalisierten Qualitätsmanagements bei KMU adressiert.‣ weiterlesen

Das Bundesamt für Sicherheit in der Informationstechnik (BSI) empfiehlt sicherheitsrelevante Patches und Updates so schnell wie möglich, unter Abwägung des jeweiligen Risikos, einzuspielen, auch wenn im professionellen und insbesondere industriellen Umfeld automatisierte Software-Updates mit unerwünschten Einschränkungen der Funktionalität - etwa durch einen Neustart des Systems - verbunden sein können.‣ weiterlesen

Im Gegensatz zu anderen Cyberangriffen bieten Attacken mit Ransomware auf den ersten Blick einen einfachen Ausweg: die Zahlung des geforderten Lösegelds.‣ weiterlesen

Nach 84,5 Punkten im Oktober kletterte der Ifo-Geschäftsklimaindex im November auf 86,3 Punkte. Die Unternehmen blicken demnach weniger pessimistisch auf die nächsten Monate.‣ weiterlesen

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.‣ weiterlesen

Edge Management, Digital Twin und Data Spaces bilden die Schwerpunkte einer Zusammenarbeit zwischen der Open Industry 4.0 Alliance und dem Labs Network Industrie 4.0.‣ weiterlesen